(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211140750.X (22)申请日 2022.09.19 (71)申请人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 熊刚　陈迪　李龙龙　张淑宁　 (74)专利代理 机构 上海汉声知识产权代理有限 公司 3123 6 专利代理师 胡晶 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/776(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于ICRN的序贯UWB-IR图像车辆目标 识别方法 (57)摘要 本发明公开了一种基于ICRN的序贯UWB ‑IR 图像车辆目标识别方法， 包括步骤S100： 基于阵 列成像方法的U WB‑IR车辆目标 成像数据集构造； 步骤S200： ICRN网络模型设计， 包括掩码层、 可迭 代卷积层和RNN层三个子模块， 该模型利用了单 个图像深度特征与序列图像间深度关联特征， 并 具备对序贯图像数量的动态自适应性； 步骤 S300： 基于UWB ‑IR仿真车辆图像集的ICRN模型分 类性能验证； 步骤S400： ICRN模型的泛化性与动 态序贯目标识别性能分析。 权利要求书2页 说明书8页 附图5页 CN 115393693 A 2022.11.25 CN 115393693 A 1.一种基于ICRN的序贯UWB ‑IR图像车辆目标识别方法， 其特 征在于， 包括以下步骤： 步骤S100： 基于阵列成像方法的UWB ‑IR车辆目标成像数据集构造： 将阵列成像算法引 入UWB‑IR， 给出了UWB ‑IR目标成像方法， 并根据给定的车辆散射点模型， 仿真了不同观测条 件下车辆目标的UWB ‑IR图像， 构建UWB ‑IR车辆数据集； 步骤S200： ICRN网络模型设计： 设计ICRN模型， 包括掩码层、 可迭代卷积层和RNN层三个 子模块， ICRN模型利用单个图像目标深度特征与序列图像目标间深度关联特征， 同时具有 对序列图像数量动态自适应性； 步骤S300： ICRN模型效果验证： 在仿真生成的UWB ‑IR车辆数据集验证ICRN模型的效果， 并与其他深度网络方法进行对比； 步骤S400： 模型泛化性与动态序贯目标识别性能： 使用同一目标的不同分布数据来对 ICRN训练与验证， 根据验证集的表现分析ICRN的泛化性； 同时， 分析雷达与目标存在相对运 动时， 模型的动态序贯UWB ‑IR车辆目标识别性能。 2.根据权利要求1所述的一种基于ICRN的序贯UWB ‑IR图像车辆目标识别方法， 其特征 在于， 在步骤S100中， 所述UWB ‑IR车辆目标成像方法将阵列成像引入UWB ‑IR， 给出了UWB ‑IR 目标成像方法； 根据给定的车辆散射点模型， 仿真了不同观测条件， 包括目标相对雷达的偏 移距离、 偏移角度、 观测方位角以及噪声影响下车辆目标的UWB ‑IR图像， 构建了UWB ‑IR车辆 数据集。 3.根据权利要求1所述的一种基于ICRN的序贯UWB ‑IR图像车辆目标识别方法， 其特征 在于， 在步骤S200中， 所述ICRN网络模型包括Masking模块、 可迭代卷积模块以及 RNN模块， 各模块具体包括： 所述Masking模块， 估计输入图像与参考图像的dhash计算、 设置序 贯图像选择的dhash 门限， 图像序列筛 选与编码； 所述可迭代卷积模块， 包括四层卷积， 卷积核尺寸分别为5*5、 3*3、 3*3、 3*3， 输入输出 通道均为1， 每层卷积附带大小3*3、 步长为2的池化层与batch_normalization层； 除了基础 的四层卷积， 还包括一组用于更新后续图片的更新权重， 其参数维度与基础的四层卷积模 型参数维度一致， 即ωk+1＝ωk·ωiterable+biterable， 其中， ωiterable与biterable为更新权重， ωk为前一张图像的卷积参数， ωk+1为后一张图像的卷积参数； 所述RNN模块包括一层结点数为64的LSTM层、 两层全连接层， 输入输出分别为64*64、 64*3； 上述除去最后一层全连接层的输出不含激活函数， 其余所有包含激活函数的选择都是 ReLU， 模型损失函数选择交叉熵函数。 4.根据权利要求3所述的一种基于ICRN的序贯UWB ‑IR图像车辆目标识别方法， 其特征 在于， 对于所述Masking模块， 其输入数据是在时间维上连续的k条数据， 标记为t1至tk， 经由 Masking模块对输入数据的筛选与过滤， 取过滤后的前m张序贯图像， 或补零填充至m张图 片， 传递至可迭代卷积模块， 并标注有效序列图像数量； 对于所述可迭代卷积模块， 其对Masking模块传递的时间维连续数据分别进行卷积特 征提取， 卷积参数满足传递关系， 并将提取的特征按时间维拼接为时间序列， 传递到RNN模 块； 对于所述RNN模块， 使用LSTM模型对输入的特征序列进一步进行特征提取， 并根据权　利　要　求　书 1/2 页 2 CN 115393693 A 2Masking模块提供的序列有效长度， 在迭代输出达到序列实际长度后， 停止模 型更新； 最后， 将输出特征使用两层全连接层分类， 并输出分类结果。 5.根据权利要求4所述的一种基于ICRN的序贯UWB ‑IR图像车辆目标识别方法， 其特征 在于， ICRN模 型使用Masking模块来保证输入数据在时间维的连续和有效性； ICRN模型使用 可迭代卷积模块来初步提取连续数据的连续特征， 同时， 在处理任意长度的输入时， ICRN模 型不会增加参数； ICRN模 型通过融合可迭代卷积与RNN模块， 进一步提取并利用目标连续特 征。 6.根据权利要求1所述的一种基于ICRN的序贯UWB ‑IR图像车辆目标识别方法， 其特征 在于， 在步骤S300中， 所述ICRN模型效果验证， 在步骤S100生成的仿真数据上， 分别使用 ICRN模型与其 他深度网络方法， 对比实验效果并分析。 7.根据权利要求1所述的一种基于ICRN的序贯UWB ‑IR图像车辆目标识别方法， 其特征 在于， 在步骤S40 0中， 所述模型泛化 性与动态序贯目标识别性能， 其实现过程包括： 对于模型泛化性， 将数据按观测条件排列， 选择某一部分观测条件数据用于模型训练， 使用剩余的部分来验证， 分析其泛化识别性能； 对于模型的动态序贯目标识别性能， 控制数据的偏移距离、 偏移角度、 观测方位角度与 信噪比不变， 记录随着探测距离的接 近， 模型的动态序贯UWB ‑IR车辆目标识别性能。权　利　要　求　书 2/2 页 3 CN 115393693 A 3